记一次公司JVM堆溢出抽丝剥茧定位的过程解析

背景

公司线上有个tomcat服务，里面合并部署了大概8个微服务，之所以没有像其他微服务那样单独部署，其目的是为了节约服务器资源，况且这8个服务是属于边缘服务，并发不高，就算宕机也不会影响核心业务。

因为并发不高，所以线上一共部署了2个tomcat进行负载均衡。

这个tomcat刚上生产线，运行挺平稳。大概过了大概1天后，运维同事反映2个tomcat节点均挂了。无法接受新的请求了。CPU飙升到100%。

排查过程一

接手这个问题后。首先大致看了下当时的JVM监控。

CPU的确居高不下

FULL GC从大概这个小时的22分开始，就开始频繁的进行FULL GC，一分钟最高能进行10次FULL GC

minor GC每分钟竟然接近60次，相当于每秒钟都有minor GC

从老年代的使用情况也反应了这一点

随机对线上应用分析了线程的cpu占用情况，用top -H -p pid命令

可以看到前面4条线程，都占用了大量的CPU资源。随即进行了jstack，把线程栈信息拉下来，用前面4条线程的ID转换16进制后进行搜索。发现并没有找到相应的线程。所以判断为不是应用线程导致的。

第一个结论

通过对当时JVM的的监控情况，可以发现。这个小时的22分之前，系统 一直保持着一个比较稳定的运行状态，堆的使用率不高，但是22分之后，年轻代大量的minor gc后，老年代在几分钟之内被快速的填满。导致了FULL GC。同时FULL GC不停的发生，导致了大量的STW，CPU被FULL GC线程占据，出现CPU飙高，应用线程由于STW再加上CPU过高，大量线程被阻塞。同时新的请求又不停的进来，最终tomcat的线程池被占满，再也无法响应新的请求了。这个雪球终于还是滚大了。

分析完了案发现场。要解决的问题变成了：

是什么原因导致老年代被快速的填满？

拉了下当时的JVM参数

-Djava.awt.headless=true -Dfile.encoding=UTF-8 -server -Xms2048m -Xmx4096m -Xmn2048m -Xss512k -XX:MetaspaceSize=512m -XX:MaxMetaspaceSize=512m -XX:+DisableExx
plicitGC -XX:MaxTenuringThreshold=5 -XX:+UseConcMarkSweepGC -XX:CMSInitiatingOccupancyFraction=80 -XX:+UseCMSInitiatingOccupancyOnly -XX:+UseCMSCompactAtFullCollection
-XX:+PrintGCDetails -Xloggc:/data/logs/gc.log

总共4个G的堆，年轻代单独给了2个G，按照比率算，JVM内存各个区的分配情况如下：

所以开始怀疑是JVM参数设置的有问题导致的老年代被快速的占满。

但是其实这参数已经是之前优化后的结果了，eden区设置的挺大，大部分我们的方法产生的对象都是朝生夕死的对象，应该大部分都在年轻代会清理了。存活的对象才会进入survivor区。到达年龄或者触发了进入老年代的条件后才会进入老年代。基本上老年代里的对象大部分应该是一直存活的对象。比如static修饰的对象啊，一直被引用的 缓存啊，spring容器中的bean等等。

我看了下垃圾回收进入老年代的触发条件后（关注公众号后回复“JVM”获取JVM内存分配和回收机制的资料），发现这个场景应该是属于大对象直接进老年代的这种，也就是说年轻代进行minor GC后，存活的对象足够大，不足以在survivor区域放下了，就直接进入老年代了。

但是一次minor GC应该超过90%的对象都是无引用对象，只有少部分的对象才是存活的。而且这些个服务的并发一直不高，为什么一次minor GC后有那么大量的数据会存活呢。

随即看了下当时的jmap -histo 命令产生的文件

发现String这个这个对象的示例竟然有9000多w个，占用堆超过2G。这肯定有问题。但是tomcat里有8个应用 ，不可能通过分析代码来定位到。还是要从JVM入手来反推。

第二次结论

程序并发不高，但是在几分钟之内，在eden区产生了大量的对象，并且这些对象无法被minor GC回收 ，由于太大，触发了大对象直接进老年代机制，老年代会迅速填满，导致FULL GC，和后面CPU的飙升，从而导致tomcat的宕机。

基本判断是，JVM参数应该没有问题，很可能问题出在应用本身不断产生无法被回收的对象上面。但是我暂时定位不到具体的代码位置。

排查过程二

第二天，又看了下当时的JVM监控，发现有这么一个监控数据当时漏看了

这是FULL GC之后，老年代的使用率。可以看到。FULL GC后，老年代依然占据80%多的空间。full gc就根本清理不掉老年代的对象。这说明，老年代里的这些对象都是被程序引用着的。所以清理不掉。但是平稳的时候，老年代一直维持着大概300M的堆。从这个小时的22分开始，之后就狂飙到接近2G。这肯定不正常。更加印证了我前面一个观点。这是因为应用程序产生的无法回收的对象导致的。

但是当时我并没有dump下来jvm的堆。所以只能等再次重现问题。

终于，在晚上9点多，这个问题又重现了，熟悉的配方，熟悉的味道。

直接jmap -dump，经过漫长的等待，产生了4.2G的一个堆快照文件dump.hprof，经过压缩，得到一个466M的tar.gz文件

然后download到本地，解压。

运行堆分析工具JProfile，装载这个dump.hprof文件。

然后查看堆当时的所有类占比大小的信息

发现导致堆溢出，就是这个String对象，和之前Jmap得出的结果一样，超过了2个G，并且无法被回收

随即看大对象视图，发现这些个String对象都是被java.util.ArrayList引用着的，也就是有一个ArrayList里，引用了超过2G的对象

然后查看引用的关系图，往上溯源，源头终于显形：

这个ArrayList是被一个线程栈引用着，而这个线程栈信息里面，可以直接定位到相应的服务，相应的类。具体服务是Media这个微服务。

看来已经要逼近真相了！

第三次结论

本次大量频繁的FULL GC是因为应用程序产生了大量无法被回收的数据，最终进入老年代，最终把老年代撑满了导致的。具体的定位通过JVM的dump文件已经分析出，指向了Media这个服务的ImageCombineUtils.getComputedLines这个方法，是什么会产生尚不知道，需要具体分析代码。

最后

得知了具体的代码位置， 直接进去看。经过小伙伴提醒，发现这个代码有一个问题。

这段代码为一个拆词方法，具体代码就不贴了，里面有一个循环，每一次循环会往一个ArrayList里加一个String对象，在循环的某一个阶段，会重置循环计数器i，在普通的参数下并没有问题。但是某些特定的条件下。就会不停的重置循环计数器i，导致一个死循环。

以下是模拟出来的结果，可以看到，才运行了一会，这个ArrayList就产生了322w个对象，且大部分Stirng对象都是空值。

至此，水落石出。

最终结论

因为Media这个微服务的程序在某一些特殊场景下的一段程序导致了死循环，产生了一个超大的ArrayList。导致了年轻代的快速被填满，然后触发了大对象直接进老年代的机制，直接往老年代里面放。老年代被放满之后。触发FULL GC。但是这些ArrayList被GC ROOT根引用着，无法回收。导致回收不掉。老年代依旧满的，随机马上又触发FULL GC。同时因为老年代无法被回收，导致minor GC也没法清理，不停的进行minor GC。大量GC导致STW和CPU飙升，导致应用线程卡顿，阻塞，直至最后整个服务无法接受请求。

到此这篇关于记一次公司JVM堆溢出抽丝剥茧定位的过程的文章就介绍到这了,更多相关JVM堆溢出抽丝剥茧定位内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！